如何将一组可接受启发式的最大值作为主导启发式?

如果你有一组可接受的启发式:h1,h2,h2,...,hn

如何使h = max(h1,h2,h2,...,hn)成为一个主导所有这些启发式的可接受启发式?

不是h(n)值越低越好吗?

对于A*,f = g + n,列表中f值最低的元素将被移除。所以不应该使用min来获得主导启发式吗?


回答:

可接受的启发式永远不会高估达到目标状态的成本。也就是说,它的估计值会低于实际成本或正好等于实际成本,但绝不会高于实际成本。这是贪婪方法如A*搜索找到全局最优解所必需的条件。

例如,假设你找到一个成本为10的解决方案。最佳解决方案的成本为8。你没有使用可接受的启发式,而对于那个实际成本为8的解决方案,启发式的估计值为12(它高估了)。由于你已经有一个成本为10的解决方案,A*永远不会评估那个被估计为更昂贵的最佳解决方案。

理想情况下,你的启发式应该尽可能准确,即可接受的启发式不应过多低估真实成本。如果它确实低估了,A*最终仍会找到最佳解决方案,但可能需要更长的时间,因为它会尝试许多根据你的启发式看起来不错,但实际上效果不佳的解决方案。

这就是你问题的答案所在。你的启发式h1, ..., hn都是可接受的,因此它们估计的成本等于或低于真实成本。这组估计的最大值因此按定义是最接近实际成本的估计(记住你永远不会高估)。在理想情况下,它将是确切的成本。

如果你取最小值,你将得到与实际成本相差最远的估计——如上所述,A*仍然会找到最佳解决方案,但效率会大大降低。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注